CN103310093A - 一种基于相关性回归分析的卫星太阳能电池阵故障数据提取方法 - Google Patents
一种基于相关性回归分析的卫星太阳能电池阵故障数据提取方法 Download PDFInfo
- Publication number
- CN103310093A CN103310093A CN2013101379576A CN201310137957A CN103310093A CN 103310093 A CN103310093 A CN 103310093A CN 2013101379576 A CN2013101379576 A CN 2013101379576A CN 201310137957 A CN201310137957 A CN 201310137957A CN 103310093 A CN103310093 A CN 103310093A
- Authority
- CN
- China
- Prior art keywords
- delta
- centerdot
- observation data
- kappa
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于相关性回归分析的卫星太阳能电池阵故障数据提取方法,属于卫星太阳能电池阵的失效分析技术领域。本发明首先对观测数据进行预处理,然后计算相邻两天观测数据的一阶差分,对预处理后的观测数据进行填补,确定填补后的观测数据的去均值化的观测数据的一阶差分;以性能衰减模型拟合最优为目标寻找突变点判断阈值,得到观测数据中的突变点;最后针对所寻找出的突变点观察原始观测数据,对其是否发生真实失效进行判断,实现对卫星太阳能电池阵故障数据提取。本发明充分利用了遥测观测数据,有较高的失效点的检测率和较低的误报率;与现有的故障信息提取方法相比,本发明方法显著提高了故障数据提取的通用性和准确度。
Description
技术领域
本发明属于卫星太阳能电池阵的失效分析技术领域,具体涉及一种基于相关性回归分析的卫星太阳能电池阵故障数据提取方法。
背景技术
卫星在空间环境中运行会受到许多不可预知的因素的影响,这些因素造成观测数据结构复杂,难以处理。太阳电池阵输出功率的变化主要包含三种结构,一是卫星运行造成的太阳电池阵输出功率的周期性变化;二是由太阳电池阵性能指标的退化引起的效能衰减(以下称之为性能衰减);三是太阳电池阵部件的失效造成的效能衰减(以下称之为失效衰减)。在这里,第一类称之为数据的周期项,后两类统称为数据的趋势项。针对目前这种太阳电池阵由于部件失效等原因造成的效能衰减,需要相应的方法来获取故障数据。
发明内容
本发明将针对太阳电池阵部件的失效造成的效能衰减,利用相关性回归分析的方法进行处理来获得故障数据,利用卫星太阳电池阵的实际使用数据进行建模选择研究。
本发明一种基于相关性回归分析的卫星太阳能电池阵故障数据提取方法,具体包括以下步骤:
步骤一、数据预处理:主要是基于观测数据的图形,对观测数据进行去除奇异点、离群点的预处理操作。
步骤二、计算相邻两天观测数据的一阶差分,对预处理后的观测数据进行填补,确定填补后的观测数据的去均值化的观测数据的一阶差分。
步骤三、以性能衰减模型拟合最优为目标寻找突变点判断阈值,得到观测数据中的突变点,具体包括周期项模型拟合、突变点补偿、相位差估计、性能衰减模型拟合的步骤。
步骤四、针对所寻找出的突变点观察原始观测数据,对其是否发生真实失效进行判断,实现对卫星太阳能电池阵故障数据提取。判断原则为:效能发生衰减,且在短时间内未有恢复即对应着电池阵部件失效。
本发明的优点与积极效果在于:
(1)经过本发明的方法所提取出的故障信息,包括了故障发生时刻以及效能衰减值,充分利用了遥测观测数据;
(2)通过实施例的效果可以看出,本发明的方法有较高的失效点的检测率和较低的误报率;
(3)与现有的故障信息提取方法相比,本发明方法显著提高了故障数据提取的通用性和准确度。
附图说明
图1为W1-1预处理后的数据图;图2为W1-2预处理后的数据图;
图3为W2-1预处理后的数据图;图4为W2-2预处理后的数据图;
图5为W3-1预处理后的数据图;图6为W3-2预处理后的数据图;
图7为W4-1预处理后的数据图;图8为W4-2预处理后的数据图;
图9为W5-1预处理后的数据图;图10为W5-2预处理后的数据图;
图11为W6-1预处理后的数据图;图12为W6-2预处理后的数据图;
图13为W1-1一阶差分图;图14为W4-2一阶差分图;
图15为W1-1一阶差分拟合图;图16为W1-2一阶差分拟合图;
图17为W2-1一阶差分拟合图;图18为W2-2一阶差分拟合图;
图19为W3-1一阶差分拟合图;图20为W3-2一阶差分拟合图;
图21为W4-1一阶差分拟合图;图22为W4-2一阶差分拟合图;
图23为W5-1一阶差分拟合图;图24为W5-2一阶差分拟合图;
图25为W6-1一阶差分拟合图;图26为W6-2一阶差分拟合图;
图27为W1-1填补后的数据图;图28为W1-2填补后的数据图;
图29为W2-1填补后的数据图;图30为W2-2填补后的数据图;
图31为W3-1填补后的数据图;图32为W3-2填补后的数据图;
图33为W4-1填补后的数据图;图34为W4-2填补后的数据图;
图35为W5-1填补后的数据图;图36为W5-2填补后的数据图;
图37为W6-1填补后的数据图;图38为W6-2填补后的数据图;
图39为W1-1周期图分析结果;图40为W4-1周期图分析结果;
图41为W1-1周期项拟合效果图;图42为W4-1周期项拟合效果图;
图43为W1-1突变补偿后的数据图;图44为W1-2突变补偿后的数据图;
图45为W2-1突变补偿后的数据图;图46为W2-2突变补偿后的数据图;
图47为W3-1突变补偿后的数据图;图48为W3-2突变补偿后的数据图;
图49为W4-1突变补偿后的数据图;图50为W4-2突变补偿后的数据图;
图51为W5-1突变补偿后的数据图;图52为W5-2突变补偿后的数据图;
图53为W6-1突变补偿后的数据图;图54为W6-2突变补偿后的数据图;
图55为失效点;图56为W3-1初始运行图;
图57为W3-2初始运行图;图58为1500-2100天W4-1效能变化图;
图59为1400-2000天W5-2效能变化图;图60为经过筛选后的失效点。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
卫星在空间环境中运行会受到许多不可预知的因素的影响,这些因素造成观测数据结构复杂,难以处理。本发明将针对太阳电池阵部件的失效造成的失效衰减,利用相关性回归分析的方法进行处理获得故障数据。
本发明是一种针对卫星太阳电池阵在轨遥测得到的观测数据特点,采用相关性回归分析进行故障信息提取的方法,具体步骤如下:
步骤一、数据预处理:主要是基于观测数据的图形,对观测数据进行去除奇异点、离群点的操作。
针对卫星太阳电池阵(简称电池阵)在轨遥测的观测数据特点,首先需要解决的是整理原始观测数据,消除奇异点和离群点的影响,针对相关点、缺失点以及突变点问题确定解决思路,为后面的失效分析铺平道路。记观测数据xi为电池阵在第i天观测得到的总输出功率值,相邻两天的电池阵总输出功率(观测数据)的一阶差分为:
Δxi=0,Δxi=xi-xi-1,i=2,…,N (l)
N为对电池阵总输出功率值的观测天数。
采用以下步骤对观测数据进行预处理:
步骤(2)去除显著离群点。
记std(Δxi,为观测数据一阶差分{Δxi,i=1,…,N:的样本标准差。对于第i天的观测数据xi,如果xi<xi-1-std(Δxi)且xi<xi+1-std(Δxi),或者xi>xi-1+std(Δxi)且xi>xi+l+std(Δxi)),则认为该点观测数据xi是离群点,取
xi=xi-l,Δxi=O,Δxi+1=xi+1-xi-1。
步骤二、利用相邻两天观测数据的一阶差分,对预处理后的观测数据进行填补,确定填补后的去均值化的观测数据一阶差分。
随着卫星所处位置的不同,相邻两天的观测数据的一阶差分Δxi的大小正负也会不同。从理论上来讲,在每一年相同的两天,电池阵输出功率的一阶差分应该近似,在基于相同观测数据进行的电池阵效能预测研究中,采用如下模型对总输出功率进行拟合:
eb-λt+a1cos(a2t+a3)+a4cos(aa5+a6) (2)
其中eb-λt拟合的是观测数据中隐含的趋势项(也称为性能衰减项),a1cos(a2t+a3)+a4cos(a5t+a6)则拟合的是周期项,a1、a2、a3、a4、a5、a6为周期项系数,b和λ为趋势项系数,t为观测时间。根据拟合结果,λ为10-5阶,这意味着eb-λt近似为一条直线,因此在做失效分析时,可以认为不同年里相邻两天观测数据的一阶差分{Δx365*k+1,…,Δx365*k+365,k∈{0,…,n-1}}服从同一个模型,n为观测的年份数。
(1)计算不同年份的观测数据的一阶差分均值Δi:
对不同年份的相邻两天的观测数据的一阶差分进行平均,假设已有卫星的n年的观测数据,计算不同年份的观测数据的一阶差分均值Δi:
(2)计算去均值化后的不同年份的相邻两天的观测数据的一阶差分τ365*k+i:
τ365*k+i=Δx365*k+i-Δi,i=1,…,365,k=0,1,…,n-1(4)(3)对去均值化后的不同年份的相邻两天的观测数据的一阶差分数据中较为显著的一阶差分离群点进行剔出,具体为:
计算公式(4)得到的去均值化后的不同年份的相邻两天观测数据的一阶差分{τi,i=1,…,N}的一阶矩 如果存在i,k满足:
则去掉Δx365*k+i,k∈(0,…,n-1}中绝对值最大的点,即若记:
则去掉k′点,然后修正不同年份的观测数据的一阶差分均值,得到:
(4)返回到步骤(2)重新去均值化处理,看是否还存在一阶差分离群点,直到将去均值化的不同年份的相邻两天的观测数据一阶差分中的一阶差分离群点去除。
(5)利用修正后的一阶差分均值(Δi,i=1,…,365}进行统计建模,尽管这些数据中仍然包含着部件失效点的信息,并且由于缺失数据的存在,某些数据的信息没有利用上,比如若第k天的观测数据xk缺失,而第k-1天和第k+1天的观测数据xk-1,xk+1没有缺失,则第k和第k+1个修正后的一阶差分Δk,Δk+1均没有利用上xk+1-xk的信息。但是一方面这些点的影响已经变小,另一方面我们的目标是发现性能衰减下电池阵输出功率在一年之中的每天的变化情况,而不是输出功率在一年之中总共改变了多少值,因此可以用这组数据估计性能衰减情况下相邻两天一阶差分Δxi的变化值。计算:
针对分析相邻两天一阶差分的变化情况的目标,需要选取一个可以对图像拟合较好、光滑程度也较高的模型。但由于根据以上方法得到的观测数据估计值中仍有可能包含部分部件失效的信息,因此模型解释度要求不高。这里选用9次多项式:
基于观测数据一阶差分估计值对步骤一中去除的奇异点xi进行填补,
步骤三、以性能衰减模型(即步骤二中提到的性能衰减项)拟合最优为目标寻找突变点判断阈值,得到观测数据中的突变点。其中涉及到以下若干问题:周期项模型拟合、突变点(包括突升点和失效点)补偿、相位差估计、性能衰减模型拟合。
基于步骤二公式(12)得到的经过奇异点填补和去均值化后的观测数据的一阶差分δi,i=1,…,N寻找失效点。在寻找失效点时,受到相关点的干扰,单单以某个阈值κ1(κ1为正数)为标准,认为满足条件δi<-κ1即判定为失效点,会使得最终结果中包含很多假失效点,因此在寻找失效点之前,还需要消除相关点的影响,并且在判定失效点的准则中加入限制该点前后一定天数的总功率变化值的条件。
确定两个阈值κ1,κ2。以阈值κ1为标准,对于满足δi>κ1的突变点,若存在δk满足i-30≤k+30,δk<-κ1,则认为δi和δk是相关点,需要对这两个点进行修正:
若存在多个δk满足条件i-30≤k+30,δk<-κ1,则取相关性最强的点,即
利用公式(13)对两个点进行修正。
即判定为失效。由于观测数据中往往存在突升点,因此本发明中利用该准则同时判断失效点和突升点。
下面介绍如何选取阈值k1和k2。
卫星发射时间点的不同以及姿态的不同,都会对输出功率的周期项产生影响,从而造成输出功率的曲线的差异,但是,性能衰减项却不会受此影响,即若以模型eb-λt来拟合性能衰减项,λ对于不同卫星的太阳电池阵保持一致。因此我们的目标是寻找一个最优的使得拟合出的性能衰减模型最为精确。
步骤(3.1)周期项模型拟合:
要对电池阵输出功率的性能衰减模型进行建模,必须首先剔除掉周期项因素对观测数据造成的影响。分析观测数据中隐含的周期性信息,周期图是一种很有用的方法。它是利用时间序列中的频谱分析方法,从大量的数据中寻找隐藏的周期性的规律。对于零均值序列{xt},利用潜周期模型分析其隐含的周期性信息,
考虑函数:
其中N1是时间序列的个数,ω表示角频率,i是虚数符号。由于:
III.峰群的个数就是潜周期模型中的周期(或角频率)个数的估计。
记周期项的拟合值为pji,i=1,…,Nj,j=1,…,12。将原始数据减去周期项的拟合值,剩下的数据所主要体现的就是性能衰减项信息。
步骤(3.2)突变点补偿:
步骤(3.3)太阳电池阵观测数据的相位差估计
由于卫星姿态以及发射时间的不同,基于不同的卫星太阳电池阵的观测数据所计算出来的趋势项系数b会有所不同,因此在做综合性能衰减模型拟合时,需要考虑相位的不同带来的差异。利用模型eb-λt对每组太阳电池阵的观测数据的性能衰减项进行拟合,记第j组数据的拟合结果为。
步骤(3.4)性能衰减模型拟合
取目标函数为
给定κ1,κ2,λ的估计值为
步骤四、针对所寻找出的突变点,对其是否发生真实失效进行判断。判断原则为:效能发生衰减,且在短时间内(一般五次观测时刻内,或者根据实际卫星电池阵的正常工作的时间进行确定)未有恢复即对应着电池阵部件失效。
根据效能发生衰减,且在短时间内未有恢复即对应着电池阵部件失效这一原则,通过观察原始数据,来对步骤三所找出的突变点进行筛选,并最终提取出故障信息,包括故障发生时刻以及效能衰减值。
实施例:
本实例采取东三平台太阳电池阵输出功率的遥测数据,东三平台包括六颗卫星W1~W6,每颗卫星有左右两个太阳能电池阵,分别为W1-1、W1-2、W2-1、W2-2、W3-1、W3-2、W4-1、W4-2、W5-1、W5-2、W6-1、W6-2,利用本发明的方法提取故障信息,具体步骤如下:
步骤一、数据预处理,对电池阵观测数据进行去除奇异点、离群点的操作。
去奇异点和离群点后观测数据如图1~12所示,分别为12个电池阵的观测数据曲线,横坐标表示观测时刻,纵坐标表示效能值。
步骤二、利用观测数据的一阶差分,对预处理后的观测数据进行填补,确定填补后的去均值化的观测数据的一阶差分。采用模型:
eb-λt+a1cos(a2t+a3)+a4cos(a5t+a6)
对电池阵输出功率进行拟合,其中eb-λt拟合的是观测数据中隐含的趋势项,a1cos(a2t+a3)+a4cos(a5t+a6)则拟合的是周期项。不同年里相邻两天的一阶差分{Δx365*k+1,…,Δx365*k+365,k∈{0,…,n-1}}廿服从同一个模型。
对不同年份的相邻两天的观测数据一阶差分进行平均,假设已有卫星的n年的观测数据,计算n年观测数据的一阶差分均值:
以及去均值化的n年观测数据的一阶差分:
τ365*k+i=Δx365*k+i-Δi,i=1,…,365,k=1,…,n-1.
其中,Δi为第i天的一阶差分均值,n为一年的天数365天,k为整数k∈{0,…,n-1},ω365*k+i表示第k+1年第i天的去均值化后的一阶差分,Δ365*k+i表示第k+1年第i天的一阶差分。
对去均值化后的不同年里相邻两天的观测数据的一阶差分数据中较为显著的一阶差分离群点进行剔出,具体为:
计算去均值化后的相邻两天观测数据的一阶差分{τi,i=1,…,N的一阶矩
则去掉Δx365*k+i,k∈{0,…,n-1}中绝对值最大的点,即若记
则去掉k′,然后修正并重新检查,看是否存在离群点。
根据拟合出的一阶差分模型,就可以计算相邻两天一阶差分的估计值:
基于一阶差分估计值对缺失点xi进行填补,
填补后的数据记为记 计算
填补完缺失数据的图形如图27~图38所示,图中横坐标表示观测时刻,纵坐标表示效能值,平滑的曲线代表所填补的缺失数据。
步骤三、以性能衰减模型拟合最优为目标寻找突变点判断阈值,其中涉及到以下若干问题:周期项模型拟合、突变点补偿、相位差估计、性能衰减模型拟合。
记12组原始观测数据经过预处理和缺失点补偿处理后的数据为
步骤(1)周期项模型拟合
基于利用周期图拟合观测数据的周期项结构,w1-1和w4-1对应的的图形如图39~40所示,横坐标表示角频率,纵坐标表示对应的图中所标示的两个点是基于十二组数据所得到的的图形中均存在的局部最高点,而这两个点对应的周期分别近似为半年和一年。由于卫星围绕太阳公转,并且轨道模型近似为一个椭圆,因此电池阵输出功率应该包含一年和半年的周期性变化。基于这些分析,选择模型
a1cos(0.0172*t+a2)+a3cos(0.0345*t+a4),
来估计观测数据中隐含的周期性结果。通过计算参数a1,a2,a3,a4的非线性最小二乘估计,得到每组数据对应的周期项模型参数估计值为:
表1周期项参数估计值
基于w1-1和w4-2的数据得到的周期项模型拟合结果如图41~42所示,横坐标表示观测时刻,纵坐标表示周期项值。可以看到周期项拟合效果不错。
记周期项的拟合值为pji,i=1,…,Nj,j=1,…,12。将原始数据减去周期项的拟合值,剩下的数据所主要体现的就是包含着性能衰减和部件失效的趋势项信息。
步骤(2)突变点补偿
假设在阈值κ1,κ2下,在第j组太阳电池阵观测数据中发现的突变点为:
记 基于进行性能衰减模型拟合。
步骤(3)太阳电池阵观测数据的相位差估计
步骤(4)性能衰减模型拟合
取目标函数为
给定κ1,κ2,λ的估计值为
对k1∈[10,40],k2∈[20,60]进行计算,得到Γ(λ,κ1,κ2)结果列入表2中,这里只列出Γ(λ,κ1,κ2)<40的情况。
表2Γ(λ,κ1,κ2)计算结果
从表中可以看出,选择κ1=31,κ2=41,λ=2.6202e-005时,Γ(λ,κ1,κ2)达到最小,此时基于十二组太阳电池阵输出功率的观测数据发现的突变点和相应的突变值列入表3中,其中左边一列代表突变时刻t,右边一列代表突变值Δxt。
表3突变点列表
没有列入表格的电池阵组意味这未从其相应的观测数据中发现突变点。
依据表3寻找到的突变点对原始数据进行突变点补偿,得到的数据如图43~54所示,横坐标表示观测时刻,纵坐标表示效能值。w1-1和w1-2两组图像之所以呈现出上升状态是因为在1078天有一个非常明显的效能增加。
步骤四、针对所寻找出的突变点观察原始数据,对其是否发生真实失效进行判断。判断原则为:效能发生衰减,且在短时间内未有恢复即对应着电池阵部件失效。
本发明所使用的十二组数据中一共寻找出18的失效点,相对应的变化值如表4和图55所示。
表4失效点列表
其中横坐标代表失效时间,纵坐标代表失效值。从图55中可以看出,失效点主要集中在卫星刚开始运行,以及运行三年后。通过观察原始数据在该点附近的变化情况,得到如下分析结论:
(1)w3-1、w4-1、w4-2三组电池阵均在运行伊始出现功率突变,但由于电池阵刚开始运行时本身就容易不稳定,通过w3-1和w3-2输出功率初始图像的比较,如图56~57,横坐标表示观测时刻,纵坐标表示效能值,我们发现w3-1并未出现功率衰减,因此此三点不认为发生失效。
(2)w4-1组电池阵在1648天和1774天附近的效能图像如图58所示,横坐标表示观测时刻,纵坐标表示效能值。从图中可以看出,1648天未发生明显失效,但1774天有明显失效。
(3)w5-2组电池阵在1603天附近的效能图像如图59所示,横坐标表示观测时刻,纵坐标表示效能值。从图中可以看出,1603天有明显失效。
因此,得到最终电池阵失效信息如表5和图60所示:
表5经过筛选后的失效点列表
经过以上步骤所提取出的故障信息,包括故障发生时刻以及效能衰减值,从数据补偿后得到的图形如图43~图54可以看出,图形中不存在明显失效点,另外通过将这些失效信息对应回原始数据进行主观判断,所发现的18个点有14个被认定为失效,剩余4个点中有3个处于卫星运行初始时的状态不稳定阶段.因此本发明所提方法对于提取监测数据的故障信息效果较好。
Claims (5)
1.一种基于相关性回归分析的卫星太阳能电池阵故障数据提取方法,其特征在于:所述提取方法包括如下步骤:
步骤一、观测数据预处理,对观测数据进行去除奇异点、离群点的预处理操作;
步骤二、计算相邻两天观测数据的一阶差分,对预处理后的观测数据进行填补,确定填补后的观测数据的去均值化的观测数据的一阶差分;
步骤三、以性能衰减模型拟合最优为目标寻找突变点判断阈值,得到观测数据中的突变点,具体包括周期项模型拟合、突变点补偿、相位差估计、性能衰减模型拟合的步骤;
步骤四、针对所寻找出的突变点观察原始观测数据,对其是否发生真实失效进行判断,实现对卫星太阳能电池阵故障数据提取;判断原则为:效能发生衰减,且在短时间内未有恢复即对应着电池阵部件失效。
3.根据权利要求1所述的一种基于相关性回归分析的卫星太阳能电池阵故障数据提取方法,其特征在于:所述的步骤二,具体为:采用如下模型对总输出功率进行拟合:
eb-λt+a1cos(a2t+a3)+a4cos(a5t+a6)
其中eb-λt拟合的是观测数据中隐含的趋势项,a1cos(a2t+a3)+a4cos(a5t+a6)则拟合的是周期项,a1、a2、a3、a4、a5、a6为周期项系数,b和λ为趋势项系数,t为观测时间;认为不同年里相邻两天观测数据的一阶差分{Δx365*k+1,…,Δx365*k+365,k∈{0,…,n-1}}服从同一个模型,n为观测的年份数;
(1)计算不同年份的观测数据的一阶差分均值Δi:
(2)计算去均值化后的不同年份的相邻两天的观测数据的一阶差分τ365*k+i:
τ365*k+i=Δx365*k+i-Δi,i=1,…,365,k=0,1,…,n-1(3)对去均值化后的不同年份的相邻两天的观测数据的一阶差分数据中的一阶差分离群点进行剔出,具体为:
计算去均值化后的不同年份的相邻两天观测数据的一阶差分{τi,i=1,…,N}的一阶矩 如果存在i,k满足:
则去掉Δx365*k+i,k∈{0,…,n-1}中绝对值最大的点,然后得到修正后不同年份的观测数据的一阶差分均值:
(4)返回到步骤(2)重新去均值化处理,看是否还存在一阶差分离群点,直到将去均值化的不同年份的相邻两天的观测数据一阶差分中的一阶差分离群点去除;
(5)利用修正后的不同年份的观测数据的一阶差分均值{Δi,i=1,…,365}进行统计建模,计算:
选用9次多项式:
基于观测数据一阶差分的估计值对步骤一中去除的奇异点xi进行填补:
其中,i=1,…,365,k=0,…,n-1。
5.根据权利要求4所述的一种基于相关性回归分析的卫星太阳能电池阵故障数据提取方法,其特征在于:选取阈值k1和k2,具体为:
步骤(3.1)周期项模型拟合:
对于零均值序列{xt},利用潜周期模型分析其隐含的周期性信息,
考虑函数:
其中N1是时间序列的个数,ω表示角频率,i是虚数符号;
步骤(3.2)突变点补偿:
步骤(3.3)太阳电池阵观测数据的相位差估计:
利用模型eb-λt对每组太阳电池阵的观测数据的性能衰减项进行拟合,记第j组数据的拟合结果为
步骤(3.4)性能衰减模型拟合:
取目标函数为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310137957.6A CN103310093B (zh) | 2013-04-19 | 2013-04-19 | 一种基于相关性回归分析的卫星太阳能电池阵故障数据提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310137957.6A CN103310093B (zh) | 2013-04-19 | 2013-04-19 | 一种基于相关性回归分析的卫星太阳能电池阵故障数据提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103310093A true CN103310093A (zh) | 2013-09-18 |
CN103310093B CN103310093B (zh) | 2016-03-02 |
Family
ID=49135303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310137957.6A Expired - Fee Related CN103310093B (zh) | 2013-04-19 | 2013-04-19 | 一种基于相关性回归分析的卫星太阳能电池阵故障数据提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103310093B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104391195A (zh) * | 2014-11-20 | 2015-03-04 | 江苏省电力公司扬州供电公司 | 一种电磁干扰的识别及滤波方法 |
CN106095728A (zh) * | 2016-06-08 | 2016-11-09 | 北京空间飞行器总体设计部 | 一种卫星遥测数据趋势分析方法 |
CN109993147A (zh) * | 2019-04-12 | 2019-07-09 | 中国人民解放军国防科技大学 | 基于聚类分析的卫星太阳电池阵输出功率衰减评估方法 |
CN113376534A (zh) * | 2021-05-12 | 2021-09-10 | 山东大学 | 动力电池早期故障相平面诊断方法及超前预警系统 |
CN114236409A (zh) * | 2021-11-09 | 2022-03-25 | 长安大学 | 一种动力电池组故障诊断装置及方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090119060A1 (en) * | 2007-11-07 | 2009-05-07 | Simburger Edward J | Spacecraft solar cell monitoring system |
EP2109149A1 (en) * | 2007-01-25 | 2009-10-14 | Sharp Kabushiki Kaisha | Solar battery cell, solar battery array, solar battery module and method for manufacturing solar battery array |
CN102749497A (zh) * | 2012-07-13 | 2012-10-24 | 北京空间飞行器总体设计部 | 卫星太阳电池阵电流输出预测及故障诊断方法 |
-
2013
- 2013-04-19 CN CN201310137957.6A patent/CN103310093B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2109149A1 (en) * | 2007-01-25 | 2009-10-14 | Sharp Kabushiki Kaisha | Solar battery cell, solar battery array, solar battery module and method for manufacturing solar battery array |
US20090119060A1 (en) * | 2007-11-07 | 2009-05-07 | Simburger Edward J | Spacecraft solar cell monitoring system |
CN102749497A (zh) * | 2012-07-13 | 2012-10-24 | 北京空间飞行器总体设计部 | 卫星太阳电池阵电流输出预测及故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
LUAN JIA-HUI等: "Study on unknown input reduced-order observer for fault diagnosis", 《JOURNAL OF HARBIN INSTITUTE OF TECHNOLOGY (NEW SERIES)》 * |
李瑞莹等: "基于ARMA模型的故障率预测方法研究", 《系统工程与电子技术》 * |
栾家辉: "故障重构技术在卫星姿控系统故障诊断中的应用研究", 《中国优秀博硕士学位论文全文数据库 (博士) 工程科Ⅱ辑(月刊)》 * |
董晟飞等: "基于回归分析的故障率预测模型", 《国外电子测量技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104391195A (zh) * | 2014-11-20 | 2015-03-04 | 江苏省电力公司扬州供电公司 | 一种电磁干扰的识别及滤波方法 |
CN106095728A (zh) * | 2016-06-08 | 2016-11-09 | 北京空间飞行器总体设计部 | 一种卫星遥测数据趋势分析方法 |
CN109993147A (zh) * | 2019-04-12 | 2019-07-09 | 中国人民解放军国防科技大学 | 基于聚类分析的卫星太阳电池阵输出功率衰减评估方法 |
CN109993147B (zh) * | 2019-04-12 | 2021-06-04 | 中国人民解放军国防科技大学 | 基于聚类分析的卫星太阳电池阵输出功率衰减评估方法 |
CN113376534A (zh) * | 2021-05-12 | 2021-09-10 | 山东大学 | 动力电池早期故障相平面诊断方法及超前预警系统 |
CN113376534B (zh) * | 2021-05-12 | 2022-04-05 | 山东大学 | 动力电池早期故障相平面诊断方法及超前预警系统 |
CN114236409A (zh) * | 2021-11-09 | 2022-03-25 | 长安大学 | 一种动力电池组故障诊断装置及方法及系统 |
CN114236409B (zh) * | 2021-11-09 | 2024-01-19 | 长安大学 | 一种动力电池组故障诊断装置及方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103310093B (zh) | 2016-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103310093A (zh) | 一种基于相关性回归分析的卫星太阳能电池阵故障数据提取方法 | |
Wang et al. | Deterministic and probabilistic forecasting of photovoltaic power based on deep convolutional neural network | |
Cui et al. | A statistical analysis of mesoscale eddies in the Bay of Bengal from 22–year altimetry data | |
CN107145720B (zh) | 连续退化和未知冲击共同作用下的设备剩余寿命预测方法 | |
CN104599292A (zh) | 一种基于低秩矩阵分解的抗噪运动目标检测算法 | |
CN106022529A (zh) | 一种基于高维随机矩阵的配电网异常数据检测方法 | |
CN105300692A (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN106226212A (zh) | 基于深度残差网络的高光谱霾监测方法 | |
CN105320809A (zh) | 一种针对风电场空间相关性的风速预测方法 | |
CN102081767A (zh) | 基于乏信息理论融合的产品寿命特征信息提取方法 | |
CN113591256B (zh) | 一种山区输电线路杆塔雷击概率结果评估方法 | |
CN106093875A (zh) | 基于基追踪去噪的近场宽带rcs数据采集与压缩方法 | |
Chattopadhyay et al. | A description of the Madden–Julian oscillation based on a self-organizing map | |
Akyurek et al. | Tesla: Taylor expanded solar analog forecasting | |
CN105138729B (zh) | 基于pso‑grnn风电场风电机缺损风速值填充方法 | |
CN102184538B (zh) | 一种基于动态轮廓的合成孔径雷达sar图像自动分割方法 | |
CN104217260A (zh) | 一种风场邻近多台风电机测量风速缺损值的组合填充系统 | |
CN105388390A (zh) | 基于粒子群优化的弱暂态零序电流故障特征提取方法 | |
CN110533265A (zh) | 一种配电网雷击预警方法以及配电网雷击预警装置 | |
CN104850918A (zh) | 一种计及电网拓扑约束的节点负荷预测方法 | |
Kovalchuk et al. | Towards ensemble simulation of complex systems | |
CN108061914A (zh) | 一种未来地震震中的判定方法 | |
Gan et al. | Wind power ramp forecasting based on least-square support vector machine | |
Xu et al. | A marine environment early warning algorithm based on marine data sampled by multiple underwater gliders | |
Singh et al. | Short-term wind speed forecasting of Oak Park Weather Station by using different ANN algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160302 Termination date: 20170419 |
|
CF01 | Termination of patent right due to non-payment of annual fee |